AIとがん研究 ── がん一般 ── 2026-10-18

対象誌と選び方は索引の頁に

がん一般の分子生物学の進展とAI

• 経頭蓋磁気刺激（TMS）で生じる電場を高速に予測する物理情報ニューラルオペレータ：健常者と腫瘍患者での検討
  Physics-informed neural operators for rapid electric field prediction in transcranial magnetic stimulation of healthy and tumor subjects
  Scientific Reports · 2026-10-16 · 証拠の段階: 計算モデルの開発・検証研究（既存の画像データを使用）
  抄録（全訳）

  個別化した臨床応用には、経頭蓋磁気刺激（TMS）で生じる電場を正確に、かつ速く予測する必要がある。応用先は、大うつ病性障害の個別化治療から、神経腫瘍領域の術前機能マッピングまで幅広い。しかし従来の有限要素法は計算負荷が大きく、対話的に使うには遅すぎることが多い。

  既存の深層学習による代理モデル（サロゲートモデル）は、この制約を一部補っている。ただし、その多くは固定したボクセル格子での表現に限られる。そのため、被験者ごとの頭部メッシュの不規則な形状をそのまま扱えない。

  本研究では、ベクトルとしての TMS 電場を被験者ごとに予測する、初の物理情報ニューラルオペレータ（PINO）を作った。このモデルはメッシュをそのまま扱う二重エンコーダ構造をもつ。頭部の解剖とコイルの配置を同時に符号化する。

  TMS の二次電場には、回転（curl）がゼロという性質がある。PINO モデルは、この性質に合わせた curl ベースの正則化項を取り入れた。この項は、データによる教師あり学習とあわせて緩い制約（ソフト正則化）として働く。これにより、物理的な整合性が保たれやすくなる。

  学習には IXI データセットの 75 人を用いた。評価は、学習に使っていない独立した 4 つのテストデータセットで行った。テストデータには、別の 2 つの MRI コホートの健常者と、腫瘍患者が含まれる。学習ベースの TMS 電場予測で腫瘍患者を評価したのは、これが初めてである。

  定式化が解像度に依存しないため、再学習しなくても、被験者・コイルの種類・空間解像度が変わっても汎化する。一般向けの GPU で、灰白質の約 300,000 個のボリュームノード上のベクトル電場を、100 ms 未満で予測できた。

  focality-50% 領域での成績は、どのテストデータセットでも次のとおりであった。重心誤差の中央値は 0.39〜0.43 mm、二乗平均平方根誤差（RMSE）は 0.12〜0.16 V/m であった。平均角度偏差（MAD）は 6.7°〜7.3° であった。これらは、最近の深層学習手法で報告された誤差の範囲内か、それより小さかった。

  物理損失の重みを選んだ値の 5% にしたモデルを、データのみで学習したモデルと比べた。curl 損失は 9.1% 減った。一方、RMSE と MAD の増加は、それぞれ 1.6% と 1.3% にとどまった。

  これらの結果は、物理情報ニューラルオペレータが、灰白質の電場を素早く近似するための拡張可能な技術基盤になることを示唆する。この基盤は、電場に基づいてリアルタイムに TMS を誘導する手順をめぐる今後の研究を支えるものである。

  掲載誌の IF 相当：5.2（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）
  書誌：Moser P, Greifeneder F, Freinberger D, Reishofer G, Ritter P, Frank L, et al. Physics-informed neural operators for rapid electric field prediction in transcranial magnetic stimulation of healthy and tumor subjects. Sci Rep. 2026 Oct 16 [Epub ahead of print]. doi:10.1038/s41598-026-74936-z.
  確認の範囲：抄録のみ確認
• がん遺伝子パネル検査で従来検出できなかった遺伝子欠失の機械学習による検出
  Machine learning uncovers previously undetectable genetic deletions in cancer panel sequencing.
  NPJ precision oncology · 2026-10-16 · 証拠の段階: 後ろ向きの観察（臨床検体を用いた検出法の開発研究）
  抄録（全訳）

  遺伝子欠失を見逃すと、がん患者が有効な分子標的治療を受けられないことがある。TSO500 などの標準的な解析パイプラインは、ビンごとのリード数を平均してコピー数変異を検出する。しかし、限局性（フォーカル）の変化は見落とすことが多い。

  この課題に対し、精密腫瘍学プログラム MASTERsg で、機械学習（ML）パイプラインを開発した。本パイプラインは、欠失の検出と接合性の評価を行う。対象は、がん抑制遺伝子 PTEN に絞った。PTEN が失われたがんは、mTOR/Akt 阻害に感受性を示す。

  Extreme Gradient Boosting モデルを、PTEN 欠失腫瘍と野生型腫瘍の検体で学習させた。このモデルは、TSO500 パイプラインと CNVkit が見逃した限局性の欠失を見つけた。これらの欠失では、免疫組織化学染色で調べた PTEN タンパク質の消失も、一致して認められた。

  重要な点として、モデルは解析した 204 検体のうち 33 検体で PTEN 欠失を検出した。これらの検体は、TSO500 では PTEN 野生型と判定されていた。染色できた症例の 75%（15/20）では、PTEN タンパク質の発現が消失または低下していた。

  これらの結果から、ML でパネル検査の性能を高められる可能性が示された。機械学習は、既存の診断法では見逃される治療上重要な変化を見つけ出せる可能性がある。

  掲載誌の IF 相当：8.9（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）
  書誌：Kerle IA, Husak O, Gross T, Hartig A, Prause R, Richter D, et al. Machine learning uncovers previously undetectable genetic deletions in cancer panel sequencing. npj Precis Onc. 2026 Oct 16;10(1):397. doi:10.1038/s41698-026-01756-9.
  確認の範囲：抄録のみ確認
• 代謝機能障害関連脂肪肝炎の非侵襲的診断と長期予後予測のための、多コホートのプロテオミクスに基づく機械学習スコア（MASHPredict）
  A multicohort proteomics-based machine learning score (MASHPredict) for noninvasive diagnosis and long-term prognostication of metabolic dysfunction-associated steatohepatitis
  Frontiers in Immunology · 2026-10-15 · 証拠の段階: 後ろ向きの観察（多コホートでの診断・予後モデルの開発と外部検証）
  抄録（全訳）

  背景：代謝機能障害関連脂肪肝炎（MASH）は、肝硬変や肝細胞がんに進行することがある。しかし肝生検は侵襲的なため、臨床での使いどころが限られる。患者のリスクをより適切に層別化するには、正確な非侵襲的診断法が欠かせない。

  方法：中国の 1 病院で集めた 142 人（MASH 83 人、対照 59 人）の血漿プロテオミクスデータを使い、機械学習研究を行った。参加者は、学習コホートと検証コホートに 7:3 の比で無作為に分けた。 主要なタンパク質は、最小絶対収縮選択演算子（LASSO）回帰と Boruta アルゴリズムによる特徴量選択で特定した。選択には、LASSO 回帰（Least Absolute Shrinkage and Selection Operator）と Boruta アルゴリズムを用いた。10 種類の機械学習モデルを構築して MASHPredict スコアを作り、2 つのテストコホートで外部検証した。 予後の評価は、肝関連イベント、アテローム性動脈硬化性心血管疾患（ASCVD）関連死亡、全死亡に着目して行った。

  結果：MASHPredict は頑健な診断性能を示した。曲線下面積（AUC）は、学習コホートで 0.83（95% 信頼区間 0.74〜0.92）、検証コホートで 0.80（0.66〜0.94）であった。テストコホート 1 では 0.79（0.67〜0.91）、テストコホート 2 では 0.79（0.76〜0.83）であった。 性能は、既存の非侵襲的検査を上回った。比較した検査には、Fibrosis-4 Index、AST 対血小板比指数、AST/ALT 比、NAFLD 線維化スコアが含まれる。 高リスク群では、次のハザードがいずれも有意に高かった（すべて P < 0.001）。高リスク群では、肝関連死亡（ハザード比 8.18）、MASH（同 12.07）、肝硬変（同 3.37）、肝がん（同 3.11）のハザードが有意に高かった。ASCVD 関連死亡（同 1.64）と全死亡（同 1.42）のハザードも有意に高かった（いずれも p < 0.001）。

  結論：MASHPredict スコアは、検証済みで幅広く使える非侵襲的診断ツールである。MASH の診断と、肝関連転帰の予後予測で優れた性能を示した。このことから、早期発見、リスク層別化、臨床判断に役立つ可能性がある。

  掲載誌の IF 相当：5.5（OpenAlex の直近 2 年の平均被引用数・2026-10-02 時点の値、2026-10-03 に取得。正式な IF（Clarivate）ではない）
  書誌：Hu X, Meng F, Zhou W, Li S, Gao Y, Zhang Y, et al. A multicohort proteomics-based machine learning score (MASHPredict) for noninvasive diagnosis and long-term prognostication of metabolic dysfunction-associated steatohepatitis. Front Immunol. 2026 Oct 15;17:1849699. doi:10.3389/fimmu.2026.1849699.
  確認の範囲：抄録のみ確認
• 末梢血の免疫・代謝プロファイルの統合と機械学習による肺結節のリスク層別化
  P1.068: Integrated Peripheral Blood Immune-Metabolic Profiling for Pulmonary Nodule Risk Stratification Using Machine Learning
  Journal of Thoracic Oncology · · 証拠の段階: 観察研究（学会抄録。研究デザインの詳細は抄録に記載なし）
  抄録（全訳）

  肺結節が良性か悪性かを正確に見分けることは、臨床でまだ難しい。本研究では、末梢血の免疫細胞プロファイリングに、非標的メタボロミクスと機械学習を組み合わせた。この組み合わせが、肺結節のリスク層別化において持つ診断的価値を検討した。

  掲載誌の IF 相当：1.0（OpenAlex の直近 2 年の平均被引用数・2026-10-16 時点の値、2026-10-17 に取得。正式な IF（Clarivate）ではない）
  書誌：Liu X, Song W, Lu J, Li Y, Lu G, Du N, et al. P1.068: Integrated Peripheral Blood Immune-Metabolic Profiling for Pulmonary Nodule Risk Stratification Using Machine Learning. Journal of Thoracic Oncology. 2026 Oct;21(10):104472. doi:10.1016/j.jtho.2026.104472.
  確認の範囲：抄録のみ確認

← この号の目次へ